- •А.А. Руппель
- •Оглавление
- •Введение
- •Общие методические указания по курсовому и дипломному проектированию по автоматизации технологических процессов и производств
- •Технологический заздел
- •Обоснование необходимости автоматизации и требования к системам автоматизации
- •Описание технологического процесса сушки шликера
- •Требования к системе автоматизации процесса сушки шликера
- •Раздел автоматизации
- •3.1. Идентификация технологического объекта управления
- •Объекта тоу
- •Виды моделей объектов
- •Всостав библиотеки System id Blocks блоков Simulink входят блоки, позволяющие производить оценивание ряда типовых моделей (рис. 3.5):
- •Экспериментальные методы исследования моделей тоу обычно базируются на трех допущениях:
- •На каждом этапе идентификации имеется возможность графического отображения результатов моделирования и извлечения необходимой информации об объекте или данных.
- •(См. Рис. 3.21.Б).
- •Анализ модели тоу
- •Основные выводы по идентификации распылительной сушилки
Анализ модели тоу
Для анализа модели ТОУ возьмем модель zn4s, имеющею один из наилучших показателей адекватности. В разделе 3.3.5 были получены различные виды этой модели:
• zn4s – дискретная модель тета-формата (LTI-формата)
State-space model: x(t+Ts) = A x(t) + B u(t) + K e(t)
y(t) = C x(t) + D u(t) + e(t)
A =
x1 x2 x3
x1 0.96014 -0.21598 0.062944
x2 0.24873 0.66536 0.2574
x3 -0.036067 -0.64612 0.14772
B =
Расход газа
x1 -0.00029117
x2 -0.012463
x3 -0.032588
C =
x1 x2 x3
температура 18.093 0.078884 -0.1539
D =
расход газа
температура 0
K =
температура
x1 0.026294
x2 -0.00982
x3 -0.076941
x(0) =
x1 0
x2 0
x3 0
Estimated using N4SID from data set zdanv
Loss function 0.00213802 and FPE 0.0022164
Sampling interval: 0.1,
где выражение Sampling interval (интервал дискретизации) указывает на то, что модель представлена в дискретном виде;
• sn4s – непрерывная модель тета-формата (LTI-формата)
State-space model: dx/dt = A x(t) + B u(t) + K e(t)
y(t) = C x(t) + D u(t) + e(t)
A =
x1 x2 x3
x1 -0.19842 -1.6567 1.7776
x2 2.6343 -1.0547 5.106
x3 1.474 -13.427 -12.397
B =
расход газа
x1 0.02622
x2 -0.022958
x3 -0.65355
C =
x1 x2 x3
температура 18.093 0.078884 -0.1539
D =
расход газа
температура 0
K =
температура
x1 0.34674
x2 0.10592
x3 -1.4143
x(0) =
x1 0
x2 0
x3 0
Estimated using N4SID from data set zdanv
Loss function 0.00213802 and FPE 0.0022164;
Как видно в представленных моделях значения коэффициентов матриц A, B, C, D, K различны. Это объясняется тем, что для непрерывной модели произведено Z-преобразование с целью получения дискретной модели;
• zzn4s – дискретная модель в виде передаточной функции
; (3.43)
• sysn4s – непрерывная модель в виде передаточной функции
. (3.44)
Следует напомнить, что приведенные виды являются одной и той же моделью, записанной в разных формах и форматах. Проанализируем динамические характеристики модели. Построим переходную характеристику ТОУ для дискретной и непрерывной моделей и определим основные показатели переходного процесса. Для этого можно воспользоваться командой step(zn4s,sn4s), либо командой plot(zn4s,sn4s). Различие заключается в том, что в последнем случае представляется возможность использовать все достоинства LTI view (см. рис. 3.27).
Рис. 3.27. Графики переходных процессов модели zn4s и sn4s
На графиках переходных процессов ступенчатой линией представлен переходной процесс дискретной модели, а сплошной линией – непрерывной модели. Кроме того, в поле графика указаны основные характеристики переходного процесса:
• время нарастания переходного процесса (Rise time) – 0,913 с для непрерывной модели и 0,9 с для дискретной модели;
• время регулирования (Setting time) – 1,9 с для обоих моделей;
• установившееся значение выходной координаты (Final value) – 0,948 для обоих моделей.
Для построения импульсной характеристики моделей необходимо воспользоваться командой impulse(zn4s,sn4s), либо, щелкнув правой кнопкой мыши в поле графика LTI view, выбрать опцию Plot Types ►Impulse (см. рис. 3.28).
Рис. 3.28. Графики импульсной характеристики
Основными характеристиками модели ТОУ при подаче на вход единичного импульсного воздействия являются:
• пиковая амплитуда (Peak amplitude) составляет для дискретной модели 0,14, а для непрерывной – 1,41.
• время регулирования составляет для дискретной модели 2,2 с, а для непрерывной модели – 2,1 с.
Определим статический коэффициент усиления модели ТОУ с помощью
команды
>> k=dcgain(sysn4s)
k =
0.9476.
Определим частотные характеристики моделей с помощью команды bode (zn4s,sn4s) либо, щелкнув правой кнопкой мыши в поле графика LTI view, выбрать опцию Plot Types ► Bode (см. рис. 3.29).
Рис. 3.29. Частотные характеристики моделей
На графиках частотных характеристик указаны значения запасов устойчивости по амплитуде (Gain Margin), которые для дискретной модели составляет 9,3 dB, а для непрерывной модели – 10,5 dB.
Значения запасов устойчивости можно определить также и в режиме командной строки MATLAB с помощью команд:
>> [Gm,Pm,Wcg,Wcp]=margin(sysn4s) – для непрерывной модели:
Gm =
3.3642
Pm =
Inf
Wcg =
6.1977
Wcp =
NaN.
>> [Gm,Pm,Wcg,Wcp]=margin(zzn4s) – для дискретной модели:
Gm =
2.9158
Pm =
Inf
Wcg =
5.4941
Wcp =
NaN,
где Gm – запас устойчивости по амплитуде в натуральных величинах на частоте Wcg, Pm – запас устойчивости по фазе на частоте Wcp.
Для определения запасов устойчивости в логарифмическом масштабе необходимо выполнить следующие операции:
>> Gmlog=20*log10(Gm) – для дискретной модели:
Gmlog =
9.2951
>> Gmlog=20*log10(Gm) – для непрерывной модели:
Gmlog =
10.5377.
Как видно, определение запасов устойчивости последним способом позволяет значительно точнее вычислять эти значения, чем на графиках частотных характеристик.
Анализ частотных характеристик показывает, что модели zzn4s и sysn4s являются устойчивыми с соответствующими запасами устойчивости по амплитуде. Запас устойчивости по фазе равен бесконечности.
Этот вывод подтверждается так же комплексной амплитудно-фазовой характеристикой АФХ, которая в зарубежной литературе называется диаграммой Найквиста (см. рис. 3.30), так как годограф АФХ не пресекает точку комплексной плоскости с координатами –1, j0.
Для построения АФХ необходимо воспользоваться командой nyquist(zzn4s,sysn4s), либо, щелкнув правой кнопкой мыши в поле графика LTI view, выбрать опцию Plot Types ► Nyquist.
Определить устойчивость моделей можно с помощью карты нулей и полюсов по расположению нулей моделей относительно окружности с единичным радиусом на комплексной плоскости, как это было показано на рис. 3.12.
Построить карту нулей и полюсов моделей можно так же с помощью команды pzmap(zzn4s,sysn4s), либо – pzmap(zn4s,sn4s).
Следует напомнить, что модель объекта автоматизации рассматривает-
Рис. 3.30. Годограф АФХ с указанием значений запасов устойчивости
для непрерывной и дискретной моделей
ся нами в виде, показанном на рис. 3.2, при этом выходной параметр объекта автоматизации (в нашем случае температура) y(t) складывается из двух составляющих: теоретический выход объекта y’(t) и аддитивная помеха e(t), вызванная влиянием внешних факторов на объект автоматизации. Последняя составляющая является чисто случайной величиной и характеризуется статистическими параметрами. В ходе идентификации в разделе 3.3.6 нами были получены зависимости, определяющие составляющую e(t) и корреляционные зависимости между e(t) и выходом объекта y’(t).
Для наглядности построим график изменения e(t) и определим основные статистические характеристики помехи с помощь команды plot (e) (см. рис.3.31).
Для получения статистических характеристик необходимо в строке меню графика в позиции Tools выбрать опцию Data statistics. Результатом выполнения команды явится окно, в котором будут указаны основные статистические характеристики случайного процесса изменения во времени e(t)
(см. рис. 3.32), к которым относятся:
• min и max – минимальное и максимальное значения помехи. Для нашего случая – 0,1976 и 0,3563 соответственно;
• mean – арифметическое среднее значение (0,09945);
• median – медиана процесса (0,09806);
Рис. 3.31. График аддитивной помехи e(t)
Рис. 3.32. Статистические характеристики e(t)
• std – среднеквадратическое отклонение (0,08177);
• range – диапазон изменения помехи от минимального до максимального значения (0,5242).
Во всех случаях размерность аддитивной помехи такая же, как и выходная величина объекта автоматизации – оС.
Полученные статистические характеристики помехи могут быть полезны в дальнейшем при синтезе системы автоматического регулирования температуры теплового объекта автоматизации.
Для решения задач анализа и синтеза систем управления важно знать ответ на другой не менее важный вопрос, чем полученные временные, частотные и статистические характеристики: обладает ли объект свойством управляемости в смысле возможности его перевода из заданной начальной точки (или области) в заданную конечную точку (или область). До второй половины девятнадцатого столетия проблема управляемости – проблема установления обладания объектом свойством управляемости решалась чисто интуитивно на основе инженерных знаний и опыта. В настоящее время, с развитием метода переменных состояния стало возможным строгое определение свойства управляемости и установление критерия управляемости.
Решение проблемы управляемости основано на анализе уравнений переменных состояния вида 3.34 или 3.35 и формулируется следующим образом: объект называется вполне управляемым, если выбором управляющего воздействия u(t) на интервале времени [t0, tk] можно перевести его из любого начального состояния y(t0) в произвольное заранее заданное конечное состояние y(tk).
Критерием управляемости линейных стационарных объектов является условие: для того чтобы объект был вполне управляем, необходимо и достаточно, чтобы ранг матрицы управляемости
MU = (B AB A2B … An-1B) (3.45)
равнялся размерности вектора состояний n
rang MU = n. (3.46)
В пакете Control System Toolbox имеется функция ctrb, формирующая матрицу управляемости в пространстве состояний. Для того, чтобы воспользоваться этой функцией необходимо вычислить матрицы A, B, C, D с помощью команды:
>> [A,B,C,D]=ssdata(sn4s)
A =
-0.1984 -1.6567 1.7776
2.6343 -1.0547 5.1060
1.4740 -13.4267 -12.3967
B =
0.0262
-0.0230
-0.6535
C =
18.0931 0.0789 -0.1539
D =
0.
Следует обратить внимание, что для расчета матриц используется непрерывная модель, так как дискретная модель имеет другие значения, а в критерии управляемости используются матрицы линейных непрерывных стационарных объектов.
Вычислим матрицу управляемости:
>> Mu=ctrb(A,B)
Mu =
0.0262 -1.1289 20.6164
-0.0230 -3.2437 43.5862
-0.6535 8.4487 -62.8481.
Определим ранг матрицы управляемости:
>> n=rank(Mu)
n =
3.
Таким образом, для исследуемой модели объекта размерность вектора состояний, определяемая размером матриц A и B равна трем и ранг матрицы управляемости MU также равен трем, что позволяет сделать вывод о том, что объект автоматизации является вполне управляемым, т.е. для него имеется такое управляющее воздействие u(t), которое способно перевести на интервале времени [t0, tk] объект из любого начального состояния y(t0) в произвольное заранее заданное конечное состояние y(tk).
При синтезе оптимальных систем с обратной связью сами управления получаются как функции от фазовых координат. В общем случае фазовые координаты являются абстрактными величинами и не могут быть исследованы. Поддается измерению (наблюдению) вектор y = (y1, …, yk)T, который обычно называют выходным вектором или выходной переменной, а его координаты – выходными величинами. Выходная переменная функционально связана с фазовыми координатами, и для реализации управления с обратной связью необходимо определить фазовые координаты по измеренным значениям выходной переменной. В связи с этим возникает проблема наблюдаемости, заключающаяся в установлении возможности состояния определения состояния объекта (фазового вектора) по измеренным значениям выходной переменной на некотором интервале.
Решение проблемы наблюдаемости основано на анализе уравнений переменных состояния вида 3.8 или 3.9 и формулируется следующим образом: объект называется вполне наблюдаемым, если по реакции y(t1) на выходе объекта, на интервале времени [t0, t1] при заданном управляющем
воздействии u(t) можно определить начальное состояние вектора пере-
менных состояния x(t), являющихся фазовыми координатами объекта.
Критерием наблюдаемости линейных стационарных объектов является
условие: для того, чтобы объект был вполне наблюдаемым, необходимо и достаточно, чтобы ранг матрицы наблюдаемости
МY = (CT ATCT (AT)2CT … (AT)n-1C) (3.47)
равнялся размерности вектора состояния
n = rang MY. (3.48)
Определим матрицу наблюдаемости и ее ранг с помощью функций пакета Control System Toolbox:
>> My=obsv(A,C)
My =
18.0931 0.0789 -0.1539
-3.6091 -27.9915 34.4730
-22.2084 -427.3557 -576.6903
>> n=rank(My)
n =
3.
Таким образом, для исследуемой модели объекта размерность вектора состояний, определяемая размером матриц A и С равна трем и ранг матрицы наблюдаемости MY также равен трем, что позволяет сделать вывод о том, что объект автоматизации является вполне наблюдаемым, т.е. для него всегда можно определить по значениям выходной величины y(t) вектор переменных состояния, необходимый для синтеза системы управления.